La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Riconoscimento automatico di oggetti in immagini digitali

Presentazioni simili


Presentazione sul tema: "Riconoscimento automatico di oggetti in immagini digitali"— Transcript della presentazione:

1 Riconoscimento automatico di oggetti in immagini digitali
Enver Sangineto, Dipartimento di Informatica

2 Panoramica della presentazione
Motivazioni Problemi Principali approcci

3 Riconoscimento di oggetti
L’obiettivo di un sistema di object recognition è rilevare la presenza di “oggetti” d’interesse all’interno di immagini/video digitali Passo fondamentale per permettere ad un computer di “capire cosa sta guardando”

4 Perchè riconoscere automaticamente gli oggetti di un'immagine
Recupero/classificazione d'immagini in data base visivi (Image Retrieval): ricerche on-line, annotazione (automatica) video, organizzazione di archivi fotografici musei, e-commerce... Visione applicata alla robotica: manipolazione d’oggetti, navigazione guidata dalla visione

5 Perchè riconoscere automaticamente gli oggetti di un'immagine [2]
Video sorveglianza: rilevamento di intrusioni, Biometria Interfacce uomo-macchina di tipo “intelligente” Guida automatica di veicoli su strada Visione industriale, medica, aerea, militare, ... Altro…

6 Object recognition è un problema aperto
Non esistono sistemi general purpose

7 Problemi principali nel riconoscimento di oggetti
Variabilità delle apparenze Segmentazione della scena

8 Variabilità: cambiamento del punto di vista
Michelangelo

9 Variabilità [2]: cambiamento delle condizioni di illuminazione

10 Variabilità [3]: oggetti deformabili
Xu, Beihong 1943

11 Variabilità [4]: variazione intra-classe

12 Segmentazione: Occlusioni Magritte, 1957

13 Segmentazione [2]: separazione dallo sfondo
Klimt, 1913

14 Approcci principali al riconoscimento
Model-based Machine learning

15 Ipotesi… Un solo oggetto per immagine
Machine learning per rappresentare la conoscenza

16 Riconoscimento tramite apprendimento automatico: schema generale
Suppongo di disporre, in fase di training, di un insieme T = {(I1, y1), …, (IN, yN)}, dove Ij è un’immagine e yj un’etichetta che indica l’oggetto in essa contenuto: yj {o1, …, om}

17 Riconoscimento tramite apprendimento automatico [2]
Ogni Ij è rappresentata tramite un punto xj in Rn, detto spazio delle feature Utilizzo T per stimare la distribuzione statistica dei punti in Rn e costruire il classificatore C

18 Riconoscimento tramite apprendimento automatico [3]
On-line, uso C per classificare un’immagine nuova I, non appartenente a T: C(I) {o1, …, om}

19 Un semplice esempio Istogramma dell’intensità dei pixel in I:
Divido il range [0, 255] in n bin Assegno ogni pixel ad un bin: I(p) -> divn(I(p)) f(I) = (v0, …, vn-1)T, dove: vi = # { p I : divn(I(p)) = i}

20 Esempio [2] Rappresentazione di T in Rn (n,m = 2)

21 Esempio [3] Rappresentazione della nuova immagine (x = f(I))

22 Rappresentazione di un’immagine mediante feature
Una feature è una rappresentazione, tramite valori numerici, di tutta o parte dell’immagine Se I' è una sottoparte dell’immagine I, allora una feature f è t.c.: f(I') Rd, f(I') = (v0, … vd-1)T, d >= 1

23 Feature globali e locali
I' = I: feature globale I' I: feature locale

24 Esempio: feature locale
fi(I') I' I immagine presa da: Tutorial CVPR 07

25 Scelta delle feature L’immagine in esame viene quindi descritta usando i valori di un insieme di feature pre-scelte f1, …, fk

26 Spazio delle feature Se: fj(I) Rd (1 <= j <= k),
allora: x(I) = (f1(I) T f2(I) T … fk(I) T)T è un punto in Rk*d (spazio delle feature)

27 Proprietà (desiderabili) delle feature
Stabilità, Capacità discriminative, Efficienza computazionale,

28 Proprietà (desiderabile) del feature space
Punti geometricamente “vicini” corrispondono ad immagini simili

29 Teoria Decisionale Bayesiana
Data l’immagine x e m classi di oggetti C1, … Cm, associare x alla classe più probabile Scelgo Cj* tale che: Notazione abbreviata:

30 Esempio Le probabilità sono stimate tramite training
immagine presa da: Duda, Hart, Stork, Pattern Classification

31 Metodi discriminativi
Mirano a determinare i bordi di decisione (superfici iper-dimensionali) che meglio partizionano Rn rispetto alle classi d’interesse

32 Bordi di decisione: ese. monodimensionale

33 Bordo di decisione: ese. bidimensionale

34 Esempi di classificatori discriminativi
Reti neurali (ANN) Support Vector Machines (SVM) Decision Trees K-Nearest Neighbor (k-NN) Boosting

35 Riassumendo… In un approccio all’object recognition basato sul machine learning è necessario modellare due tipi di conoscenza: Conoscenza visiva (e.g., scegliere le feature) Conoscenza statistica (e.g., scegliere il classificatore)

36 Alcuni riferimenti Forsyth, Ponce, Computer Vision, a Modern Approach 2003 Duda, Hart, Stork, Pattern Classification (II edition) 2001 Bishop, Pattern Recognition and Machine Learning, 2006 Sebe, Cohen, Garg, Huang, Machine Learning in Computer Vision, 2005

37 Domande…


Scaricare ppt "Riconoscimento automatico di oggetti in immagini digitali"

Presentazioni simili


Annunci Google